Predicting In-Hospital Falls Using Routine Care Data: A Precision Nursing Evaluation of Resampling Strategies for Imbalanced Classification
本研究表明，通过 RandomOverSampler 增强的随机森林模型在利用常规收集的数据预测住院期间跌倒方面达到了最高的预测准确率（77.00%），其表现优于复杂的生成技术，并证实了更简单的重采样策略能有效解决类别不平衡问题，从而适用于具有可解释性的精准护理应用。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在医院寂静的走廊里，患者的安全依赖于一种持续的、往往是无形的警觉。在一个人接受护理时面临的众多风险中，跌倒是一个特别危险的事件。这不仅仅是一个踉跄；它可能导致骨折、头部损伤，以及一种让人不敢活动的深层恐惧，而这种恐惧反过来又会使人更加虚弱。由于与住院患者总数相比，跌倒事件相对较少，它们在医院庞大的记录中显得像是零星、孤立的事件。这种稀缺性使得它们很难使用标准的计算机程序进行预测，因为这些程序在面对一种发生频率远低于另一种情况的结果时，往往会感到困惑。为了解决这个问题，研究人员开始研究如何通过调整它们学习的数据，来教计算机识别这些稀有事件，这在人工智能领域被称为处理不平衡数据。其目标是建立一个系统，能够观察患者的基本信息，并能以一定的信心判断谁处于风险之中，从而让护士能在事故发生前介入。
巴西的一个研究小组致力于测试日常医院记录（即每天用于计费和行政管理的记录类型）是否可以被用来构建这样一个系统。他们收集了三个公立医院的信息，查看了十年期间超过45,000份患者记录。这些记录包含了简单的细节：患者的年龄、性别、种族、婚姻状况、住院时长以及是否有报告的残疾。至关重要的是，研究人员没有使用专门的医疗测试或专门为跌倒风险设计的复杂临床评分。相反，他们完全依赖于已经在医院计算机系统中存在的日常数据。他们想看看是否可以仅利用这些普通信息来训练计算机识别跌倒的模式，并找到最好的方法来教计算机在不被大量非跌倒案例淹没的情况下，去关注那些稀有的跌倒案例。
为了实现这一目标，研究人员尝试了几种不同的方法来平衡数据。想象一个教室，其中有76名学生从未掉落过书本，只有24名掉落过。如果老师只关注大多数人，他们可能永远无法了解那些掉落书本的人是什么样的。研究人员尝试了四种不同的方法来解决这种不平衡。一种方法是简单地复制跌倒患者的记录，以增加他们的数量。另一种方法是移除一些没有跌倒的患者记录，使两组相等。他们还尝试了更先进的技术，即创建全新的、虚假的患者记录，这些记录看起来很真实，但由计算机生成，希望这些新的示例能帮助模型更好地学习。随后，他们测试了八种不同类型的计算机学习算法，从简单的决策树到同时构建许多决策树的复杂系统，以观察哪种组合效果最好。
结果显示，最简单的方法往往是最有效的。表现最好的系统是一个使用了“复制”法来平衡数据，并结合了构建许多决策树以做出最终预测的算法的模型。该系统以77%的平衡准确率正确识别了跌倒风险。这明显优于一个未使用任何平衡技巧的基准模型，后者的准确率仅为72.8%。这一发现表明，仅仅确保计算机看到足够的跌倒案例就足以提高其判断力。令人惊讶的是，更复杂的方法并没有起到作用。那种能够生成数据的、看似令人印象深刻的生成虚假患者记录的先进技术，实际表现反而不如简单的复制法，其准确率仅约为70%。研究人员发现，生成新数据的复杂性并没有转化为更好的预测效果。对于这种特定类型的医院记录而言，复杂性并不等于更好的预测。
当研究人员仔细观察表现最好的模型在关注什么时，有三个因素脱颖而出，成为了最重要的线索。第一个是年龄；老年患者始终被标记为高风险。第二个是患者的住院时长。模型发现，住院时间在10天到59天之间的患者比刚入院或住院时间极长的患者具有更高的风险。第三个因素是性别，在该数据集中，男性患者的表现出的风险略高于女性患者。研究人员指出，虽然模型无法解释为什么存在这些模式，但它成功地利用了这些模式来进行预测。例如，年龄与跌倒之间的联系符合医学界已知的常识，这让研究人员相信模型正在学习真实的模式，而非随机噪声。
研究结论认为，医院不需要昂贵的专用传感器或复杂的医疗测试就可以开始预测跌倒。他们可以使用现有的数据。通过关注年龄、住院时长和性别，护士可以使用简单的计算机工具来识别哪些患者需要额外的关注。研究人员提醒道，虽然该模型擅长发现模式，但它并未证明这些因素会导致跌倒；它只是表明这些因素与跌倒相关联。此外，这项研究强调，最尖端的技术并不总是最好的解决方案。在这种情况下，一种简单的平衡数据的方法比生成合成样本的高科技方法效果更好。这项工作为精准护理提供了一条切实可行的路径，即根据床边现有的信息量身定制护理方案，在不给护理人员增加沉重负担的情况下，帮助保障患者的安全。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。